NumPy使用教程（一）

NumPy使用教程（一）
来自http://www.tpleina.com/2019/05/2953351469.html

NumPy介绍

NumPy是Python数值运算最为重要的基础包，提供多维数组运算（数组计算框架），为Python其他科学运算库提供底层支持

NumPy库能够对全量数组进行复杂运算，而不需要写Python循环，本身使用C语言实现，NumPy数组对象在内存使用更少、计算性能更强，远高出pyhton内置类型和方法

文章中所有代码示例均在jupyter notebook执行

NumPy 与 Python性能比较

import numpy as np
# numpy 数组对象
arr = np.arange(1000000)
# python内置list类型
lis = list(range(1000000))
# 对arr、lis 每个元素执行+1操作，并执行10次
%time for x in range(10): arr = arr + 1
%time for x in range(10): lis = [x+1 for x in lis]

输出

NumPy: Wall time: 25.9 ms
Python: Wall time: 1.04 s

多维数组对象ndarray使用

NumPy核心对象ndarray，多维数组对象

NumPy数组计算框架核心概念ndarray，即多维数组对象，所有数组操作都离不开ndarray

ndarray是多维数组对象，一个多维数组数据集，且数组每个元素的数据类型必须相同

ndarray基本属性：

• size 数组长度
• shape 表示数组维度
• dtype 描述数组的数据类型
• ndim 表示数组维度

ndarry一大特点是以标量的方式对数组运算

import numpy as np
arr = np.random.randn(4,3)
print (arr)
print (arr * 10)
print (arr + arr)

输出

[[ 0.98485327 -0.89302292 -1.06824246]
 [-0.20116335 -1.22786453 -1.79337553]
 [ 0.34246443 -0.24140177  0.90403802]
 [-1.23069907 -0.94928253  0.2704078 ]]
[[  9.84853265  -8.93022919 -10.68242463]
 [ -2.01163345 -12.27864526 -17.93375527]
 [  3.42464425  -2.41401771   9.04038015]
 [-12.30699073  -9.49282531   2.70407802]]
[[ 1.96970653 -1.78604584 -2.13648493]
 [-0.40232669 -2.45572905 -3.58675105]
 [ 0.68492885 -0.48280354  1.80807603]
 [-2.46139815 -1.89856506  0.5408156 ]]

创建ndarray对象

• np.array 最简单方式,接收任何序列对象（Python列表、元组以及numpy数组等），生成一个新的ndarray对象

import numpy as np
# 根据python list生成
arr1 = np.array([1,2,3,4,5,6])
arr3 = np.array([list(range(5)), list(range(5))])
# 根据ndarray生成
arr2 = np.array(arr1)
print(arr2 is arr1)

• np.zeros 生成全零数组，若创建高维数组，需要传入元组参数

import numpy as np
# 一维
np.zeros(5)
# 二维
np.zeros((3,4))
# 三维
np.zeros((3,2,2))

• np.zeros_like 根据所给定的ndarray对象生成对应的全零数组

import numpy as np
arr = np.array([list(range(5)), list(range(5))])
print(arr)
print(np.zeros_like(arr))

输出

[[0 1 2 3 4]
 [0 1 2 3 4]]
[[0 0 0 0 0]
 [0 0 0 0 0]]

• np.ones 生成全一数组,若创建高维数组，需要传入元组参数

import numpy as np
# 一维
np.ones(5)
# 二维
np.ones((3,4))
# 三维
np.ones((3,2,2))

• np.ones_like 根据所给定的ndarray对象生成对应的全一数组

import numpy as np
arr = np.array([list(range(5)), list(range(5))])
print(arr)
print(np.ones_like(arr))
# 输出
[[0 1 2 3 4]
 [0 1 2 3 4]]
[[1 1 1 1 1]
 [1 1 1 1 1]]

• np.empty 生成没有初始值的数组，若创建高维数组，需要传入元组参数
• np.empty_like 根据所给定的ndarray对象生成没有初始值的数组
• np.full 创建一个由常数填充的数组,第一个参数是数组，第二个参数是数组中填充的常数
• np.full_like 同上
• np.eye、np.identity生成NxN单位矩阵（左对角线是1，其他元素是0）
• np.arange range的数组版，生成一维数组,与array方法类似，若输入ndarry对象，则生成新的ndarry对象，只是引用

数组数据类型

1. 可以在创建数组的时候，指定数据类型
2. 可改变已有数组的数据类型，通过astype()方法，生成新的数组

NumPy支持的数据类型如下：

类型	类型代码	描述
int8,uint8	i1,u1	有符号和无符号的8位整数
int16,uint16	i2,u2	有符号和无符号的16位整数
int32,uint32	i4,u4	有符号和无符号的32位整数
int64,uint64	i8,u8	有符号和无符号的64位整数
float16	f2	半精度浮点数
float32	f4,f	标准单精度浮点数，兼容C语言float
float64	f8,d	标准双精度浮点数，兼容C语言double和Python float
float128	f16,g	浮点数扩展
bool_	?</